语言大模型 / LLM

AlphaFunctor: Bridging The Gap Between Protein Function Annotation and Property Prediction

AlphaFunctor：弥合蛋白质功能注释与特性预测之间的差距

Xiang Liu, Anna E. Yee, Josh V. Vermaas, Daniel R. Woldring, Guo-Wei Wei

专题命中 评测与基准 ：foundation model(abstract)

AI总结 研究旨在弥合蛋白质功能注释与特性预测的差距，提出基于范畴论的AlphaFunctor平台，直接从序列预测蛋白质功能并映射到特性预测，经大量数据训练，无需特定任务网络设计，性能优于其他竞争预测器。

The GEST-Engine: From Event Graphs to Synthetic Video. A Full Technical Report

GEST引擎：从事件图到合成视频。完整技术报告

Nicolae Cudlenco, Mihai Masala, Marius Leordeanu

机构 * Institute of Mathematics of the Romanian Academy（罗马尼亚科学院数学研究所） ； National University of Science and Technology Politehnica Bucharest（布加勒斯特理工大学） ； Büchi Labortechnik AG（布赫实验室技术公司） 纠错

专题命中 评测与基准 ：LLM(abstract)

AI总结 GEST引擎从自然语言文本生成多角色视频，核心是明确的世界模型，以GEST表示世界状态。通过程序或智能系统生成GEST，经四阶段管道执行，能输出多种视频相关数据，且保证相关特性，其输出可作视频理解多方面工具。

DynEval: Holistic Evaluations of T2I Generative Models in the Wild

DynEval：对自然环境下的文本到图像生成模型进行全面评估

Shyam Marjit, Dheeraj Baiju, Anuj Shikarkhane, Akhil Sakthieswaran, Sayak Paul, Anirban Chakraborty

机构 * Indian Institute of Science（印度科学研究所） ； Hugging Face（拥抱脸） 纠错

专题命中 评测与基准 ：language model(abstract)

AI总结 研究针对文本到图像生成模型评估难题，提出DynEval动态评估框架，通过构建两个数据集，利用课程学习策略微调评估器，在多基准测试中与人类判断相关性更高，可对多个T2I模型进行细粒度分析。

Comments Accepted at ECCV 2026. Project page: https://vcl-iisc.github.io/dyneval/

What Does Your Short-Answer VQA Score Actually Measure? Evaluator-Dependent Instability in Multimodal Short-Answer Benchmarks

你的简答题VQA分数实际衡量的是什么？多模态简答题基准中依赖评估者的不稳定性

Guanhua Ye, Niu Jingbin, Yan Li, Meiyu Liang, Zhe Xue, Yingxia Shao, Yawen Li

机构 * Beijing University of Posts and Telecommunications（北京邮电大学） 纠错

专题命中 评测与基准 ：language model(abstract)

AI总结 研究简答题VQA基准中模型答案语义正确性与和评估者期望表面形式匹配度被混淆的问题，通过人工验证语义判断等方法研究六个视觉语言模型和六个基准，发现答案类型影响不稳定性，提出官方分数应伴有语义审计和答案类型诊断以保持可解释性。

UniPose9D: Universal Category-Agnostic Object Pose Estimation

UniPose9D：通用的类别无关物体姿态估计

Yang You, Yi Du, Cole Harrison, Leonidas Guibas

机构 * Stanford University（斯坦福大学） ； Amazon（亚马逊） 纠错

专题命中 评测与基准 ：foundation model(abstract)

AI总结 研究针对物体姿态估计中现有方法泛化性不足的问题，提出UniPose9D模型，通过采样点对、利用特定特征预测NOCS坐标，引入改进算法及流匹配，构建训练集，实验证明该模型能匹配或超越专业方法，泛化能力强。

DentiAsk: A VQA Benchmark for Multimodal Reasoning in Panoramic Dental Radiographs

DentiAsk：全景牙科X光片中多模态推理的视觉问答基准测试

Debesh Jha, Tapas Kumar Dutta, Roshan Paudel, Onkar Kishor Susladkar, Aashish Ghimire, Anupam Dhakal, Sabin Adhikari, Nand Kumar Yadav, Deepak Ranjan Nayak, Pravin Pawar, William C. W. Chen, Glenda Reynolds

专题命中 评测与基准 ：language model(abstract)

AI总结 研究旨在解决现有医学视觉问答基准测试无法充分体现全景牙科X光片解读复杂性的问题，引入DentiAsk基准测试，涵盖多种病变和推理层次，对10种模型测试发现其在空间定位等方面存在局限，为推进医学成像多模态推理提供挑战基准。

Indirect and Direct AI Scaffolding for Computational Problem Posing: A Pilot Experience Report

用于计算问题提出的间接和直接人工智能支架：初步经验报告

Shayla Sharmin, Mohammad Fahim Abrar, Mohammad Al-Ratrout, Roghayeh Leila Barmaki

专题命中 评测与基准 ：LLM(abstract)

AI总结 该报告介绍两个大语言模型驱动的支架系统，用于支持不同计算场景的问题提出。系统用布鲁姆分类法评估问题，输出方式有间接（引导性问题）和直接（示例）两种。研究表明二者互补，先间接后直接能促进反思与改进，为计算课堂整合此类支架提供策略。

Evaluating Semantic and Quality-Aware Retrieval for Source Code Repositories

评估源代码库的语义和质量感知检索

Marek Horváth, Emília Pietriková

专题命中 评测与基准 ：LLM(abstract)

AI总结 研究针对自然语言查询的源代码库检索问题，结合函数级碎片化、文本和代码嵌入等技术及多种检索模式构建原型系统，用C代码语料库评估，发现语义检索总体最强，自动路由表现良好，质量元数据对特定查询有用。

Secret Scanner Agent: Extracting Secrets and Access Context from Unstructured Documents

秘密扫描代理：从非结构化文档中提取秘密和访问上下文

Zixiao Chen, Mariko Wakabayashi, Charlotte Siska

专题命中 评测与基准 ：LLM(abstract)

AI总结 研究从非结构化文档提取秘密及访问上下文的问题，提出多智能体大语言模型系统SSA，它能通过检测与审查智能体配对提取相关信息，经合成基准评估，相比传统方法提升了提取精度、召回率，速度更快，让凭证检测更具可操作性。

Comments Submitted to the Conference on Applied Machine Learning for Information Security (CAMLIS) 2026

Attribute Retrieving for Open-Vocabulary Endoscopic Compositional Referring Segmentation

用于开放词汇量内镜组合式指称分割的属性检索

Shun Liu, Nan Xi, Yang Liu, Tianyu Luan, Xuan Gong, David Doermann

机构 * Virginia Commonwealth University（弗吉尼亚联邦大学） ； King’s College London（伦敦国王学院） ； University at Buffalo（纽约州立大学布法罗分校） ； Harvard Medical School（哈佛医学院） 纠错

专题命中 评测与基准 ：language model(abstract)

AI总结 该研究针对内镜图像指称分割面临的挑战，引入ReferEndoscopy基准，提出AR-ERIS框架，利用属性检索进行开放词汇量内镜组合式指称分割，在模拟和真实内镜数据上实现最优性能且泛化能力强。

GRE-Diff: Gaussian Room Embeddings for Structured Layout Diffusion

GRE-Diff：用于结构化布局扩散的高斯房间嵌入

Jing Wang, Haoran Xiong, Zihao Yan, Minglun Gong, Hui Huang

机构 * Guangdong Provincial Key Laboratory of Visual Media and Multidimensional Intelligence, CSSE, Shenzhen University（广东省视觉媒体与多维智能重点实验室，计算机科学与软件学院，深圳大学） ； School of Computer Science, University of Guelph（圭尔夫大学计算机科学学院） 纠错

专题命中 评测与基准 ：LLM(abstract)

AI总结 本文提出GRE-Diff框架，结合AI建议与人工编辑，通过大语言模型或图形用户界面让用户指定房间相关约束和操作，利用高斯房间嵌入生成多样合理设计，实验表明其能产生高质量布局，助力空间设计中AI与人类创造力结合。

Comments 37 pages, 9 figures, conference

Open Models, Open Risks: Measuring Unsafe Generation in Text-to-Image Models In the Wild

开放模型，开放风险：衡量实际应用中的文本到图像模型的不安全生成

Peilin Han, Yang Liu, Yilong Yang, Jingchun Zhang, Teng Li, Jianfeng Ma, Zhuo Ma

专题命中 评测与基准 ：prompting(abstract)

AI总结 研究实际应用中的文本到图像模型的不安全生成问题，通过越狱视角进行大规模实证研究。引入高级ASR改进指标，评估200多个模型，发现安全退化不普遍不均匀，识别出高风险模型并追溯其发布背景，向Hugging Face报告。

PERFOPT-Bench: Evaluating Coding Agents on Software Performance Optimization

PERFOPT-Bench：评估软件性能优化中的编码代理

Yingyun Cui, Yi Xie, Piaohong Wang, Jiawei Ma, Bo Liu, Liangliang Cao

专题命中 评测与基准 ：LLM(abstract)

AI总结 该研究介绍PERFOPT-Bench基准，用于评估软件性能优化中编码代理的完整性能工程循环。通过7个长期任务评估7个不同的代理堆栈，发现优化性能取决于工作负载，原始加速作基准分数不安全，还提出中继试验可恢复额外空间。

Developers' Experience with Generative AI Beyond Productivity Assessment -- Insights from an Empirical Mixed-Methods Field Study

开发者在生产力评估之外的生成式AI使用体验——来自实证混合方法现场研究的见解

Charlotte Brandebusemeyer, Kerim Zunic, Thomas Zimmermann, Tobias Schimmer, Bert Arnrich

专题命中 评测与基准 ：prompting(abstract)

AI总结 通过混合方法现场研究，发现开发者对生成式AI总体满意，尤其在单调重复任务中感知效率提升，但同一任务中结合代码建议与聊天提示会削弱收益，并提出基于任务特征选择交互类型的经验法则。

Agent Delivery Engineering Predictive Reliability Framework

智能体交付工程预测可靠性框架

Dexing Liu

专题命中 评测与基准 ：LLM(abstract)

AI总结 针对长期语言模型多智能体系统的可靠性风险，提出ADE预测可靠性框架，聚合异构信号为信任边际指标，用三重方法并行预测，经多轮验证和实验，能检测“虚假繁荣”，实现可靠性量化并提供前瞻性警告。

Comments 117pages,83figures

Seeing What Matters: Lesion-Aware High-Resolution Patch Discovery and Fusion for Chest X-ray Report Generation

看清关键所在：用于胸部X光报告生成的病灶感知高分辨率补丁发现与融合

Yingshu Li, Yunyi Liu, Zhenghao Chen, Tong Chen, Zailong Chen, Lingqiao Liu, Lei Wang, Luping Zhou

机构 * The University of Sydney（悉尼大学） ； The University of Newcastle（纽卡斯尔大学） ； University of Wollongong（卧龙岗大学） ； The University of Adelaide（阿德莱德大学） 纠错

专题命中 评测与基准 ：foundation model(abstract)

AI总结 研究针对胸部X光报告生成中高分辨率感知难题，提出LePaX框架。该框架将高分辨率感知设为固定令牌预算下的空间分辨率分配问题，通过可学习空间分辨率分配和全局-区域融合两个组件，在不增令牌数时实现高分辨率CXR感知，提升了临床和语言指标。

WildCity: A Real-World City-Scale Testbed for Rendering, Simulation, and Spatial Intelligence

WildCity：用于渲染、模拟和空间智能的真实世界城市规模测试平台

Xiangyu Han, Mengyu Yang, Jiaqi Li, Bowen Chang, Ziyu Chen, Hexu Zhao, Rahul Kumar Agrawal, Anthony Rodriguez, Fiona Hua, Marco Pavone, Chen Feng, Yiming Li

机构 * May Mobility（五月出行公司） ； New York University（纽约大学） ； NVIDIA（英伟达公司） ； Stanford University（斯坦福大学） 纠错

专题命中 评测与基准 ：foundation model(abstract)

AI总结 针对人工智能在构建城市规模空间表征方面的挑战，引入WildCity真实世界多模态数据集，建立重建基线并转化为模拟器，分析关键挑战，推动城市规模渲染及相关人工智能发展。

Comments ECCV 2026; Project Page: https://han-xiangyu.github.io/Wild-City/

MonoIR-RS: Infrared Remote Sensing Vision-Language Learning with CLIP and VLM Adaptation

MonoIR-RS：基于CLIP和VLM适配的红外遥感视觉语言学习

Jiaju Han, Ma Yaqi, Yahui Chai, Xuemeng Sun, Xin Li, Qike Zhang, Yingying Zhao, Xiang Chen, Luwei Yang, Chengyin Hu, Jiahuan Long

机构 * China University of Petroleum-Beijing at Karamay（中国石油大学（北京）克拉玛依校区） ； Guizhou University（贵州大学） ； Shenzhen Research Institute of Big Data（深圳大数据研究院） ； Shanghai Jiao Tong University（上海交通大学） 纠错

专题命中 评测与基准 ：instruction tuning(abstract)

AI总结 研究针对红外视觉语言理解未充分探索的问题，提出MonoIR-RS数据集及基准，结合多种方法构建并微调模型，提升红外遥感视觉语言学习性能，为红外与语言对齐提供可控测试平台。

A VLM-Enhanced Framework for Comprehensive Traffic Sign Condition Assessment Integrating Daytime Visual Performance and Nighttime Retroreflectivity Evaluation

一种用于综合交通标志状况评估的VLM增强框架，集成白天视觉性能和夜间逆反射率评估

Linlin Zhang, Neema Jakisa Owor, Xiang Yu, Abby Watts, Yaw Adu-Gyamfi

机构 * Department of Civil and Environmental Engineering University of Missouri- Columbia（土木与环境工程系密苏里大学哥伦比亚分校） 纠错

专题命中 评测与基准 ：language model(abstract)

AI总结 研究开发用于综合评估交通标志状况的新框架，利用微调视觉语言模型评估白天视觉性能，结合激光雷达校准的逆反射率评估夜间性能，集成到标志状况指数，提供经济有效的评估方法，LLaVA和Qwen表现优，还标记出需更换的标志。

Comments 21 pages, 7 figures, 5 tables. Preprint. An earlier version of this work was presented at the 105th Annual Meeting of the Transportation Research Board (TRB), January 2026

Andha-Dhun: A First Look at Audio Descriptions in Hindi

Andha-Dhun：对印地语音频描述的初步研究

Ritabrata Chakraborty, Divy Kala, Nisheeth Bhooshan Gupta, Ganji Sreeram, Pailla Balakrishna Reddy, Makarand Tapaswi

机构 * CVIT, IIIT Hyderabad（海得拉巴国际信息技术研究所计算机视觉与信息处理中心） ； Manipal University Jaipur（斋浦尔曼ipal大学） ； Jio Platforms Ltd.（Jio平台有限公司） 纠错

专题命中 评测与基准 ：LLM(abstract)

AI总结 该研究针对印度尚无印地语音频描述工作的现状，引入Andha-Dhun数据集，探索直接从英语描述生成及翻译英语ADs两种方法来生成印地语ADs，并进行评估，发现简单翻译和机器翻译存在问题，强调要为印度BLV观众调整内容。

Comments Accepted to NCVPRIPG 2026, Download data at https://github.com/katha-ai/AndhaDhun-HindiAD

WebRetriever: A Large-Scale Comprehensive Benchmark for Efficient Web Agent Evaluation

WebRetriever：用于高效网络智能体评估的大规模综合基准测试

Wei Dong, Tianyu Fu, Zhe Yu, Hanning Wang, Anyang Su, Zhizhou Fang, Yuyang Chen, Shuo Wang, Minghui Wu, Ping Jiang, Zhen Lei, Chenxu Zhao

机构 * Mininglamp Technology（旷视科技） ； School of Artificial Intelligence, University of Chinese Academy of Sciences（中国科学院大学人工智能学院） ； MAIS, Institute of Automation, Chinese Academy of Sciences（中国科学院自动化研究所综合技术集成中心） 纠错

专题命中 评测与基准 ：LLM(abstract)

AI总结 针对现有网络智能体评估基准测试的局限，提出WebRetriever这一大规模综合基准测试，涵盖多领域网站和任务。采用NavEval框架及三个评估协议，实验揭示不同协议性能差异，为网络智能体研发提供细粒度见解和严谨基础。

Benchmarking the Robustness of Autonomous Driving to Environmental Illusions: A Lane Perception Perspective

从车道感知角度评估自动驾驶对环境错觉的鲁棒性：基准测试

Tianyuan Zhang, Xianglong Liu, Aishan Liu, Lu Wang, Yitong Zhang, Peng Yue, Mingchuan Zhang, Siyuan Liang, Dacheng Tao

机构 * SKLCCSE, the School of Computer Science and Engineering, Beihang University（北京航空航天大学计算机科学与工程学院软件安全技术与工程北京市重点实验室） ； the School of Cyber Science and Technology, Sun Yat-sen University（中山大学网络空间科学与技术学院） ； Henan University of Science and Technology（河南科技大学） ； the School of Computing, National University of Singapore（新加坡国立大学计算学院） ； College of Computing & Data Science, Nanyang Technological University（南洋理工大学计算与数据科学学院） 纠错

专题命中 评测与基准 ：language model(abstract)

AI总结 研究自动驾驶对环境错觉的鲁棒性，聚焦传统车道检测和视觉语言模型系统。引入基准LanEvil++并评估，发现错觉严重影响性能，阴影干扰最大。提出多模态错觉防御方法MIDA，有效提升了模型在挑战性条件下的鲁棒性。

Comments Accepted by IEEE TPAMI 2026

PiSAs: Benchmarking Contextual Integrity in Multi-User Agentic Systems

PiSAs：多用户智能体系统中情境完整性的基准测试

Shubham Gupta, Nazanin Mohammadi Sepahvand, Abhinav Kumar, Cem Subakan, Spandana Gella, Pierre-André Noël, Perouz Taslakian, Eugene Bagdasarian, Valentina Zantedeschi

专题命中 评测与基准 ：LLM(abstract)

AI总结 研究多用户智能体系统新隐私风险，引入PiSAs基准，用双重情境完整性注释评估无意泄露，可跨组件和接口测量跨用户数据泄露，发现模型判断影响结果，强调隐私保护策略需求。

Trajectory-Anchor Optimization for Overconfident Thermal Visual Place Recognition: Zero-Leakage OOD Auditing and Kidnapped-Robot Recovery

用于过度自信的热视觉场所识别的轨迹锚点优化：零泄漏异常检测与绑架机器人恢复

Zhiyuan Lu, Kanji Tanaka

专题命中 评测与基准 ：foundation model(abstract)

AI总结 研究针对基于基础模型的热视觉场所识别前端在分布外或未映射条件下的过度自信强制匹配失败问题，提出轨迹锚点优化（TAO），通过压缩多视图时间验证解决组合挑战，实现高效故障安全过滤。

Comments 11 pages, 5 figures, technical report

Last-Meter Precision Navigation for UAVs: A Diffusion-Refined Aerial Visual Servoing Approach

无人机的最后一米精确导航：一种扩散细化的空中视觉伺服方法

Yaxuan Li, Jiarui Zeng, Shaofei Huang, Zhedong Zheng

机构 * FST and ICI, University of Macau（澳门大学科技学院及资讯与通信技术研究所） 纠错

专题命中 评测与基准 ：foundation model(abstract)

AI总结 研究无人机最后一米精确导航，提出DreamNav框架，先粗估计旋转，再用预训练世界模型模拟未来视觉观测选轨迹，贡献PairUAV基准测试，实验表明DreamNav性能优。

ThermoForce: A Physics-Structured Interventional World Model for Building HVAC Control

ThermoForce：用于构建暖通空调控制的物理结构干预世界模型

Yifan Wang

专题命中 评测与基准 ：foundation model(abstract)

AI总结 研究建筑暖通空调系统模型预测控制所需的热模型问题。提出ThermoForce，将时间序列基础模型冻结为被动自由响应，学习物理结构的强制响应算子，在相关干预中表现出色，嵌入MPC可降低热不适与能耗。

Comments 23 pages, 9 figures

WSA$_1$: a 3D-Centric World-Spatial-Action Model for Generalizable Robot Control

WSA$_1$：用于可泛化机器人控制的以3D为中心的世界-空间-动作模型

Jiahao Jiang, Jianing Zhang, Zhenhan Yin, Ruidong Chen, Sen Wang, Zhaoshu Yu, Pengpeng Zeng, Xiaofeng Cao, Xuanhan Wang, Jingkuan Song, Heng Tao Shen

机构 * Tongji University（同济大学） ； Shanghai Innovation Institution（上海创新机构） ； Shanghai Magic（上海魔星） ； Koala Uran Project（考拉铀项目） 纠错

专题命中 评测与基准 ：foundation model(abstract)

AI总结 研究针对当前机器人基础模型缺乏物理动力学推理等问题，提出以3D为中心的世界-空间-动作建模范式构建WSA$_1$模型，能学习3D世界感知视觉思维并建模约束，提升泛化能力且数据高效。

IDEAL-Bench: Indoor Dataset and Evaluation suite for Analyzing 3D Layout reasoning

IDEAL-Bench：用于分析3D布局推理的室内数据集和评估套件

Yuening Cai, Junwei Zhou, Youran Qu, Yu-Wing Tai

机构 * Department of Computer Science Dartmouth College（达特茅斯学院计算机科学系） 纠错

专题命中 评测与基准 ：language model(abstract)

AI总结 介绍IDEAL-Bench评估套件，让视觉语言模型预测室内场景结构化3D布局，基于IDEAL-Scenes数据集，评估15个模型发现任务待解、模型存在不对称性及排名差异，为下一代模型空间智能评估铺路。

Comments 36 pages. Project page: https://ideal3d.github.io/

Natural Language Camera Movement Understanding

自然语言相机运动理解

Yuwen Tan, Joey Huang, Jin Huang, Haoxiang Li, Boqing Gong

机构 * Boston University（波士顿大学） ； Pixocial Technology（皮克索西尔科技公司） 纠错

专题命中 评测与基准 ：language model(abstract)

AI总结 研究自然语言相机运动理解问题，指出现有视觉语言模型在此任务上的不足。核心方法是建立分类法、基准和训练集。主要贡献是微调的VLM - 8B在基准测试中性能优于Gemini 3.1 Pro。

Comments Accepted to ECCV 2026

A Scalable Approach to Evaluating Moral Sensitivity in LLMs

一种评估大语言模型道德敏感性的可扩展方法

Daniel Kilov, Secil Yanik Guyot, Caroline Hendy, Sichao Li, Seth Lazar

专题命中 评测与基准 ：LLM(abstract)

AI总结 研究如何评估大语言模型道德敏感性，提出新方法解决AI对齐研究中行为评估的问题，引入MORPH-1K基准测试并应用于八个模型，证明相关特征语义内容稳定。

Comments 9 pages, 3 figures, preprint